はじめに

PyTorchのデータセット、モデル、学習の記述テンプレです。
ほぼ自分用なので参考にならないかもしれません。

バージョン

Python 3.7.9
torch 1.6.0
torchvision 0.7.0

データセット作成

自作のデータセットの作成

load_data.py

import torch

def load_data(file_path):
    '''
    データ読み込み
    '''
    return input_data, output_data

class myDataset(torch.utils.data.Dataset):
    def __init__(self, file_path):
        input_data, output_data = load_data(file_path)
        self.input = torch.tensor(input_data, dtype=torch.float)
        self.data_num = len(self.input)
        self.output = torch.tensor(output_data, dtype=torch.float)

    def __len__(self):
        return self.data_num

    def __getitem__(self, idx):
        input = self.input[idx]
        output = self.output[idx]

        return input, output

モデル

ニューラルネットワークのモデル記述

model.py

import torch
import torch.nn as nn

class myModel(nn.Module):
    def __init__(self, input_dim=10, fc_dim=300, out_dim=5):
        super().__init__()

        self.fc1 = nn.Linear(input_dim, fc_dim)
        self.fc2 = nn.Linear(fc_dim, out_dim)

        self.act = nn.ReLU()

    def forward(self, input):
        out = self.fc1(input)
        out = self.act(out)
        out = self.fc2(out)

        return out

学習

train.py

import torch
import random
from model import myModel
from load_data import myDataset

torch.manual_seed(12)
random.seed(12)

######### ハイパーパラメータ ##########
# モデルパラメータ
input_dim = 16
fc_dim = 1024
out_dim = 10

# 学習時パラメータ
batch_size = 8
learning_rate = 0.001
num_epochs = 100

# 検証の間隔
val_step = 5

######### 学習準備 ##########
# dataloader作成
file_path = './dataset'
dataset = myDataset(file_path)

# データセットの2割を検証データに
n_samples = len(dataset)
index_list = list(range(n_samples))
random.shuffle(index_list)
train_index = index_list[:int(n_samples * 0.8)]
val_index = index_list[int(n_samples * 0.8):]

train_dataset = torch.utils.data.dataset.Subset(dataset, train_index)
train_dataloader = torch.utils.data.DataLoader(
    train_dataset, batch_size, shuffle=True)

val_dataset = torch.utils.data.dataset.Subset(dataset, val_index)
val_dataloader = torch.utils.data.DataLoader(
    val_dataset, batch_size, shuffle=False)

dataloaders = {'train': train_dataloader, 'val': val_dataloader}

# GPUの設定
device = torch.device(
    'cuda:0' if torch.cuda.is_available() else "cpu")

# モデルの設定
net = myModel(input_dim=input_dim, fc_dim=fc_dim, out_dim=out_dim)
net.to(device)

# 最適化手法の設定
# optimizer = optim.SGD(net.parameters(), lr=learning_rate, momentum=0.9)
optimizer = optim.Adam(net.parameters(), lr=learning_rate)

# 損失関数の設定
# criterion = nn.MSELoss()
criterion = nn.CrossEntropyLoss()

######### 学習 ##########
loss_list = {'train': [], 'val': []}

for epoch, phase in itertools.product(range(num_epochs), ['train', 'val']):
    if phase == 'train':
        # 訓練モード
        net.train()
    elif (epoch + 1) % val_step == 0:
        # 検証モード
        net.eval()
    else:
        continue

    # epochの損失和
    epoch_loss = 0.0

    for inputs, results in tqdm(dataloaders[phase]):
        inputs_gpu = inputs.to(device)
        results_gpu = results.to(device)

        # optimizer初期化
        optimizer.zero_grad()

        # 順伝搬
        with torch.set_grad_enabled(phase == 'train'):
            outputs = net(inputs_gpu)

            loss = criterion(outputs, results_gpu)

            # 逆伝播
            if phase == 'train':
                loss.backward()
                optimizer.step()

            epoch_loss += loss.item() * inputs[1].size(0)

    epoch_loss = epoch_loss / len(dataloaders[phase].dataset)
    loss_list[phase].append(epoch_loss)

    # 結果の表示
    print('Epoch {}/{} | {:^5} | Loss: {}'.format(epoch +
                                                  1, num_epochs, phase, epoch_loss))